Ο τύπος της βάσης δεδομένων ορίζεται ανάλογα με το επίπεδο της πληροφορίας για τις πρωτεΐνες που έχουν αποθηκευμένο:

Transcript

1 Πηγές δεδομένων για πρωτεΐνες Υπάρχει ένα εύρος πηγών πληροφοριών για τις πρωτεΐνες, οι οποίες χωρίζονται ανάλογα με την πληροφορία που παρέχουν, δηλ. τον τύπο δεδομένων των πρωτεϊνών: βάσεις δεδομένων με αλληλουχίες, βάσεις δεδομένων με δευτεροταγή δεδομένα και βάσεις δεδομένων με δομές πρωτεϊνών. Ο τύπος της βάσης δεδομένων ορίζεται ανάλογα με το επίπεδο της πληροφορίας για τις πρωτεΐνες που έχουν αποθηκευμένο: Πληροφορία πρωτεΐνης Τύπος βάσης δεδομένων Primary structure (sequence) primary Secondary structure (motif) Tetriary structure (domain-module) secondary structure

2 Επίπεδα της πρωτεϊνικής δομής Πρωτοταγής δομή Πρωτοταγής δομή είναι η γραμμική αλληλουχία αμινοξέων σε ένα μόριο πρωτεΐνης. Δευτεροταγήs δομή Αμινοξέα, τα οποία είναι δίπλα το ένα στο άλλο στην αλυσίδα, αλληλεπιδρούν (αλληλεπιδράσεις δεσμών υδρογόνου) με πολλαπλούς τρόπους: αυτό έχει σαν συνέπεια το ένα μέρος του γραμμικού πολυπεπτιδίου να γίνει ελικοειδές, σχηματίζοντας μια a-έλικα (a-helix) και το άλλο μέρος να σχηματίσει ένα πλέγμα με γραμμές που έχουν μία κατεύθυνση (b-sheet). Αυτές οι αλληλεπιδράσεις δημιουργούν την δευτεροταγή δομή.

3 Τριτοταγής δομή Τριτοταγής δομή είναι η ολική δίπλωση μιας πρωτεϊνικής αλληλουχίας, η οποία σχηματίζεται από το πακετάρισμα των δευτεροταγών (δισουλφιδικοί θειούχοι δεσμοί ανάμεσα σε αμινοξέα που περιέχουν θείον σταθεροποιούν το μόριο στην τρισδιάστατη δομή του). Τεταρτοταγής δομή Τεταρτοταγής δομή είναι η διάταξη διαφορετικών πολυπεπτιδικών αλυσίδων (υποομάδεςsubunits) σε ένα μόριο πρωτεΐνης. Domain Ο τομέας (domain) μιας πρωτεΐνης είναι ο συνδυασμός από a-helices και b-sheets, τα οποία ενώνονται μεταξύ τους για να σχηματίσουν συμπαγές διπλωμένες σφαιρικές μονάδες.

4 Mοτίβα (motifs) Συγκεκριμένοι συνδυασμοί των a-helices και b-sheets που δημιουργού μία σφαιρική δομή και υπάρχουν επαναλαμβανόμενες σε πολλές πρωτεΐνες που δεν σχετίζονται μεταξύ τους ονομάζονται μοτίβα (motifs). Για παράδειγμα, το beta-alphabeta μοτίβο, το οποίο συναντάται σε πολλές διαφορετικές πρωτεΐνες.

5 Οι (primary) πρωτοταγείς βάσεις δεδομένων περιέχουν την πρωτοταγή δομή της πρωτεΐνης, δηλ. τη σειρά αμινοξέων που συμβολίζονται με γράμματα στη σειρά. Στις δευτεροταγής βάσεις δεδομένων υπάρχουν patterns (συνηθισμένες εκφράσεις, «δαχτυλικά αποτυπώματα», μπλόκα, περιγράμματα), δηλ. οι δευτεροταγές δομές αντιστοιχούν σε περιοχές με τοπική κανονικότητα (ahelices και b-strands) που είναι διατηρημένα μοτίβα. Στις βάσεις δεδομένων δομής υπάρχουν τομείς (modules) που είναι τα αποτελέσματα της συσκευασίας των δευτεροταγών δομών μέσα σε μια δίπλωση (αυτόνομες διπλούμενες μονάδες). Η πληροφορία υπάρχει ως ένα σύνολο ατομικών συντεταγμένων.

6 Πρωτοταγείς βάσεις δεδομένων για αλληλουχίες Στην επιστημονική βιβλιογραφία, όταν οι πληροφορίες για αλληλουχίες άρχισαν να γίνονται πολλές, τότε ξεκίνησαν σε διάφορα μέρη του κόσμου πολλές μελέτες για τη εξέλιξη πρωτοταγών βάσεων δεδομένων. Οι πρωτοταγείς βάσεις δεδομένων με αλληλουχίες πρωτεϊνών είναι οι παρακάτω: PIR MIPS SWISS-PROT TrEMBL NRL-3D

7 PIR To Protein Information Resource (PIR) δημιουργήθηκε στο National Biomedical Research Foundation (NBRF) από την M. Dayhoff, σαν μια συλλογή αλληλουχιών για την διερεύνηση των εξελικτικών σχέσεων ανάμεσα στις πρωτεΐνες. Στην σημερινή της μορφή, η βάση δεδομένων διαχωρίζεται σε 4 τμήματα: PIR1-PIR4, που διαφέρουν όσον αφορά την ποιότητα των δεδομένων και το επίπεδο σχολιασμού που δίνεται. To PIR1 περιέχει πλήρεις ταξινομημένες καταγραφές με σχόλια και το PIR4 περιέχει καταχωρήσεις που είναι εννοιολογικές μεταφράσεις των αλληλουχιών (not transcribed but translated-genetically engineered).

8

9

10

11 UNI-PROT Η βάση δεδομένων UNI-PROT δημιουργήθηκε από το τμήμα Ιατρικής Βιοχημείας στο Πανεπιστήμιο της Γενεύης και από το EMBL, τώρα η βάση δεδομένων διατηρείται σε συνεργασία με το Ελβετικό Ινστιτούτο Βιοπληροφορικής (SIB) και το Ευρωπαϊκό Ινστιτούτο Βιοπληροφορικής (EBI) του EMBL. Η βάση δεδομένων δίνει πολλά σχόλια, συμπεριλαμβάνοντας περιγραφές λειτουργιών της πρωτεΐνης και της δομής των τομέων της, των παραλλαγών της κ.ο.κ. Είναι ελάχιστα πλεονάζουσα και είναι διασυνδεόμενη με πολλές άλλες πηγές πληροφόρησης.

12 TrEMBL To 1996, η TrEMBL, δημιουργήθηκε ως συμπλήρωμα για τη Uni-Prot/SWISS-Prot. Περιέχει τις μεταφράσεις όλων των κωδικοποιημένων αλληλουχιών στο EMBL. Οι καταχωρήσεις εμπεριέχονται τελικά στη UNI-PROT αλλά με ανεπαρκείς αναλύσεις και σχόλια. Το UniProtKB / TrEMBL περιέχει υψηλής ποιότητας υπολογιστικά αναλυμένα αρχεία που εμπλουτίζονται με αυτόματο σχολιασμό και ταξινόμηση. Αυτές οι καταχωρήσεις UniProtKB / TrEMBL που δεν έχουν εξεταστεί διατηρούνται χωριστά από τις καταχωρήσεις χειροκίνητης ανασκόπησης του UniProtKB / Swiss-Prot, έτσι ώστε τα δεδομένα υψηλής ποιότητας του τελευταίου να μην τροποποιούνται με κανέναν τρόπο. Η αυτόματη επεξεργασία των δεδομένων επιτρέπει την ταχεία διάθεση των αρχείων στο κοινό.

13 NRL-3D Η βάση δεδομένων NRL-3D δημιουργήθηκε από το PIR, από αλληλουχίες που ανακτήθηκαν από τη Brookhaven Protein Bank (PBD). Στη PBD, οι πληροφορίες για αλληλουχίες είναι διαθέσιμες για ανάκτηση με λέξεις κλειδιά και για αναζήτηση ομοιοτήτων μεταξύ αλληλουχιών.

14 Η δομή των καταχωρήσεων του SWISS-PROT Η UNI-PROT είναι η πιο δημοφιλής βάση δεδομένων για θέματα αναζήτησης λόγω της δομής της και της ποιότητας των σχολίων της. Περιέχει περίπου καταχωρήσεις από πάνω από περίπου 5000 διαφορετικά είδη. Μια καταχώρηση της UNI-PROT έχει την παρακάτω μορφή:

15 ID OPSD_SHEEP STANDARD; PRT; 348 AA. AC P02700; DT 21-JUL-1986 (Rel. 01, Created) DT 01-FEB-1991 (Rel. 17, Last sequence update) DT 05-JUL-2004 (Rel. 44, Last annotation update) DE Rhodopsin. GN Name=RHO; OS Ovis aries (Sheep). OC Eukaryota; Metazoa; Chordata; Craniata; Vertebrata; Euteleostomi; OC Mammalia; Eutheria; Cetartiodactyla; Ruminantia; Pecora; Bovidae; OC Caprinae; Ovis. OX NCBI_TaxID=9940; RN [1] RP SEQUENCE. RA Pappin D.J.C., Elipoulos E., Brett M., Findlay J.B.C.; RT "A structural model for ovine rhodopsin."; RL Int. J. Biol. Macromol. 6:73-76(1984).... CC -!- FUNCTION: Visual pigments are the light-absorbing molecules t CC mediate vision. They consist of an apoprotein, opsin, covalen CC linked to cis-retinal. CC -!- SUBCELLULAR LOCATION: Integral membrane protein. CC -!- TISSUE SPECIFICITY: Rod shaped photoreceptor cells which medi CC vision in dim light. CC -!- MISCELLANEOUS: Maximal absorption at 495 nm. CC -!- SIMILARITY: Belongs to family 1 of G-protein coupled receptor CC Opsin subfamily. DR PIR; ; OOSH.... DR Pfam; PF00001; 7tm_1; 1. DR PRINTS; PR00237; GPCRRHODOPSN. DR PRINTS; PR00238; OPSIN. DR PRINTS; PR00579; RHODOPSIN. DR PROSITE; PS00237; G_PROTEIN_RECEP_F1_1; 1. DR PROSITE; PS50262; G_PROTEIN_RECEP_F1_2; 1. DR PROSITE; PS00238; OPSIN; 1. KW Direct protein sequencing; G-protein coupled receptor; Glycoprote KW Lipoprotein; Palmitate; Phosphorylation; Photoreceptor; KW Retinal protein; Transmembrane; Vision. FT DOMAIN 1 36 Extracellular. FT TRANSMEM (Potential). FT DOMAIN Cytoplasmic. FT TRANSMEM (Potential). FT DOMAIN Extracellular.... FT BINDING Retinal chromophore. FT LIPID S-palmitoyl cysteine (By similarity) FT LIPID S-palmitoyl cysteine (By similarity) FT DISULFID By similarity. FT MOD_RES Phosphoserine (by RK). FT MOD_RES Phosphothreonine (by RK).... SQ SEQUENCE 348 AA; MW; AAFD6F0D6A8BAEE5 CRC64; MNGTEGPNFY VPFSNKTGVV RSPFEAPQYY LAEPWQFSML AAYMFLLIVL GFPINFLTLY VTVQHKKLRT PLNYILLNLA VADLFMVFGG FTTTLYTSLH GYFVFGPTGC NLEGFFATLG GEIALWSLVV LAIERYVVVC KPMSNFRFGE NHAIMGVAFT WVMALACAAP PLVGWSRYIP QGMQCSCGAL YFTLKPEINN ESFVIYMFVV HFSIPLIVIF FCYGQLVFTV KEAAAQQQES ATTQKAEKEV TRMVIIMVIA FLICWLPYAG VAFYIFTHQG SDFGPIFMTI PAFFAKSSSV YNPVIYIMMN KQFRNCMLTT LCCGKNPLGD DEASTTVSKT ETSQVAPA //

16 Μια καταχώρηση του SWISS-PROT έχει την παρακάτω μορφή: Κάθε γραμμή είναι σημειωμένη με ένα διψήφιοκωδικό, που βοηθάει στην παρουσίαση της πληροφορίας με ένα δομημένο τρόπο. Η γραμμή ID μας πληροφορεί ότι το όνομα της καταχώρησης είναι OPSD_SHEEP, μια πρωτεΐνη με 348 αμινοξέα. Ο τύπος του ID είναι PROTEIN_SOURCE, δηλ. ο τύπος της πρωτεΐνης και η ονομασία του οργανισμού. Το AC (P02700) είναι ο κωδικός πρόσβασης που συνήθως παραμένει σταθερός μεταξύ των βάσεων δεδομένων. Το AC είναι απαραίτητο διότι μερικές φορές το ID αλλάζει. Τα πεδία DT δίνουν πληροφορίες πάνω στην ημερομηνία καταχώρησης της σειράς στη βάση δεδομένων, όπως και πότε τροποποιήθηκε. Τα πεδία DE μας πληροφορούν τις ονομασίες με τις οποίες οι πρωτεΐνες είναι γνωστές, π.χ. rhodopsin.

17 Το πεδίο GN δίνει την ονομασία του γονίδιου Το πεδίο OS δίνει το είδος του οργανισμού Το πεδίο OC δίνει την ταξινόμηση του οργανισμού μέσα στα βιολογικά βασίλεια. Τα πεδία RN, RP, RA, RL δίνουν αναφορές Τα πεδία CC παρέχουν σχόλια για τη λειτουργία της πρωτεΐνης, τις μετά-μεταφραστικές αλλαγές (PTM), τον τύπο του ιστού, την υπό-κυτταρική τοποθεσία και την ομοιότητα ή τον δεσμό με συγκεκριμένες οικογένειες πρωτεϊνών. Τα πεδία DR παρέχουν συνδέσμους με άλλες βιομοριακές βάσεις δεδομένων για τη RHODOPSIN.

18 Τα πεδία KW παρέχουν λέξεις κλειδιά Τα πεδία FT σχηματίζουν ένα πίνακα χαρακτηριστικών (Feature Table), με περιοχές στην αλληλουχία, που αντιστοιχούν σε transmembrane domains, ligand binding sites (ενεργό μέρος της πρωτεϊνης) κλπ. Τα πεδία SQ περιέχουν την καθεαυτό σειρά. Ένας κωδικός που αποτελείται από ένα γράμμα του αμινοξέως και κάθε γραμμή περιέχει 60 αμινοξέα. Το MW δίνει το μοριακό βάρος.

19 Σύνθετες βάσεις δεδομένων αλληλουχιών πρωτεϊνών Σε μία σύνθετη βάση δεδομένων συγχωνεύονται διάφορες πρωτογενείς πηγές δεδομένων, καθιστώντας έτσι πιο αποδοτική τη διαδικασία αναζήτησης σειρών. Η βάση αυτή είναι μη πλεονάζουσα (non-redundant τα δεδομένα δεν επαναλαμβάνονται) και επομένως η διαδικασία αναζήτησης μίας σειράς δε χρειάζεται να πραγματοποιηθεί περισσότερες από μία φορά. Για τη δημιουργία των σύνθετων βάσεων δεδομένων χρησιμοποιούνται διάφορες στρατηγικές ανάλογα με τις πρωτογενείς πηγές δεδομένων που έχουν επιλεγεί σε κάθε περίπτωση και ανάλογα με τα κριτήρια που χρησιμοποιούνται για τη συγχώνευση των πηγών αυτών. Παραδείγματος χάριν, μία στρατηγική είναι η βάση δεδομένων να μην περιέχει πανομοιότυπες αλληλουχίες και οι αλληλουχίες να διαφέρουν μόνο κατά ένα αμινοξύ (residue στην περίπτωση αυτή η βάση θα είναι πράγματι μην πλεονάζουσα non-redundant).

20 Οι κύριες σύνθετες βάσεις δεδομένων είναι οι ακόλουθες: NRDB OWL MIPSX SP+TrEMBL Πρωτογενείς πηγές δεδομένων PDB SWISS-PROT PIR SWISS-PROT SWISS-PROT PIR MIPSOwn TrEMBL PIR GenBank MIPSTrn GenPept NRL-3D MIPSH SWISS-PROTupdate PIRMOD GenPeptupdate NRL-3D SWISS-PROT EMTrans GBTrans Kabat PseqIP

21 NRDB Η NRDB (Non-Redundant Database ) δημιουργήθηκε στο NCBI. Πρόκειται για μία βάση δεδομένων με εκτενή περιγραφή (έχει όλο το annotation της πρωτεΐνης) η οποία ενημερώνεται συνεχώς. Για τη δημιουργία της αφαιρέθηκαν από τις πρωταρχικές πηγές δεδομένων μόνο τα πανομοιότυπα αντίτυπα των σειρών (επομένως η NRDB είναι μη-πανομοιότυπη, όχι όμως και μη-πλεονάζουσα). Αυτό σημαίνει ότι η βάση περιλαμβάνει πολλά αντίτυπα της ίδιας πρωτεΐνης, τα οποία προκύπτουν ως αποτέλεσμα είτε πολυμορφισμών είτε ελάχιστων λαθών κατά την αλληλούχηση (sequencing). Επιπλέον, λανθασμένες σειρές οι οποίες είχαν διορθωθεί στην SWISS-PROT τώρα επαναλαμβάνονται κατά τη διαδικασία της μετάφρασης από το DNA.

22

23 OWL Η OWL δημιουργήθηκε στο Πανεπιστήμιο του Leeds και είναι μία μη-πλεονάζουσα βάση δεδομένων. Οι πρωτογενείς πηγές δεδομένων της OWL έχουν ιεραρχηθεί και τους έχει αποδοθεί σειρά προτεραιότητας με βάση το επίπεδο περιγραφής (annotation) των πρωτεϊνών, καθώς και την αξιολόγηση των αλληλουχιών που περιλαμβάνουν. Η SWISS-PROT είναι η βάση με την υψηλότερη προτεραιότητα, επομένως οι υπόλοιπες πηγές συγκρίνονται με αυτή κατά τη διαδικασία της συγχώνευσης. Δεν περιλαμβάνει πανομοιότυπες αλληλουχίες, ούτε αλληλουχίες οι οποίες διαφέρουν μόνο κατά ένα αμινοξύ.

24

25 MISPX Η MIPSX δημιουργήθηκε στο Max-Planck Institut στο Martinsried. Στις πρωτογενείς πηγές της αποδίδεται προτεραιότητα βάσει της σειράς τους όπως αυτή παρουσιάζεται στον άνωθεν πίνακα. Σε περίπτωση που βρεθούν πανομοιότυπες αλληλουχίες είτε μέσα σε κάποια βάση, ή ανάμεσα σε δύο ή περισσότερες βάσεις, τότε οι αλληλουχίες αυτές διαγράφονται αφήνοντας μοναδικά αντίτυπά τους στην MISPX. Επίσης διαγράφονται και οι αλληλουχίες οι οποίες είναι εξ ολοκλήρου ενσωματωμένες μέσα σε άλλες αλληλουχίες (υπόαλληλουχίες subsequences). SWISS-PROT+TrEMBL Η SWISS-PROT+TrEMBL δημιουργήθηκε στο EBI και είναι μία βάση δεδομένων εκτενούς περιγραφής και μη-πλεονάζουσα. Εκτιμάται ότι λιγότερο από 30% των δεδομένων του ολικού συνόλου των δεδομένων της SWISS-PROT και της TrEMBL ήταν μημοναδικά.

26 Ανοίξτε το Internet Explorer για πρόσβαση στο SWISS-PROT, γράφοντας τη διεύθυνση Οπότε θα εμφανισθεί η παρακάτω σελίδα, κυλήστε την προς τα κάτω.

27 Μπορείς να μάθεις όλες τις λεπτομέρειες για τη βάση δεδομένων SWISS-PROT επιλέγοντας το UniProtKB Manual, τότε θα εμφανισθεί η παρακάτω σελίδα

28

29

30 Για να δείτε τη δομή της καταχώρησης για την πρωτεΐνη OPSD_SHEEP, πληκτρολογήστε OPSD_SHEEP στο πεδίο δίπλα στο ID και επιλέξτε το Search.

31 Τότε θα εμφανιστεί ολόκληρη η εκχώρηση του OPSD_SHEEP. Προχωρήστε και στο τέλος της σελίδας για να δείτε όλες τις πληροφορίες.

32

33

34 Ενημέρωση δεδομένων στο SWISS-PROT Αν θέλεις να ενημερώσεις τα δεδομένα που σχετίζονται με μια ήδη υπάρχουσα πρωτεΐνη, επιλέγεις Contact από την αρχική σελίδα της Uni-prot.

35 Στη συνέχεια επιλέγουμε Send updates or corrections.

36 Αφού συμπληρώσεις τη φόρμα επικοινωνίας επιλέγεις SUBMIT.

37 Καταγραφή μιας νέας πρωτεΐνης στο SWISS-PROT

38 Στην προηγούμενη επιλογή Contact επιλέγουμε «Submit new protein sequence data»και μεταφερόμαστε στην αρχική σελίδα της SPIN ιστοσελίδα του EMBL-EBI

39 Αφού δημιουργήσουμε λογαριασμό συνεχίζουμε

40 Επιλέγοντας το Create new submissions, Συμπληρώνουμε και υποβάλλουμε την φόρμα.